多元线性回归
1、基本概念
1.1、连续值
1.2、离散值
1.3、简单线性回归
1.4、最优解
1.5、多元线性回归
2、正规方程
2.1、最小二乘法
2.2、多元一次方程举例
2.3、矩阵转置公式与求导公式
2.4、推导正规方程0的解
2.5、凸函数判定
成年人最大的自律就是：克制自己去纠正别人的欲望。俗话说人教人教不会，事儿教人一次就会。希望呢，你赶紧进入社会，经历经历一些困难和挫折，然后这样的话你才能够快速的成长，是吧？事教人一次就会。
好，那么我们继续看咱们的正规方程。咱们说咱们通过最小的乘法求解出了正规方程，这个特别有用，对不对。看正规方程现在是不是就可以帮助我们去求解？这个多元一次方程呀。好，那么。咱们的最小的乘法之所以能够求解。
发现啊，这个最小二乘法它的公式呢，是HC塔Xi-Y，是不是带了一个平方，对不对啊，它带了一个平方，那么像这样的方程，如果咱们画图画出来。
是不是，你看它是不是一个抛物线形式啊，画图画出来的话，咱们给一个红色啊，啊就是这个方程，它大概是这样。
啊，画图画出来，那么它大概呢，就是一个这样的形式。它是抛物线形式的。
那现在呢，咱们就能够看到，但凡是这样的方程，那你想一定忽悠。
最小值对不对是吧，因为你看这个抛物线是吧，下面肯定有一个最小值对吧，那这个时候呢，咱们。咱们就要这个介绍一下这个凸函数这个概念啊。那什么样的函数是凸函数呢？咱们先看。那你看左边这个是凸函数还是右边这个是凸函数呀，那么很多根据直观是吧，你自己的这个知识，你肯定会判定左边这个是猪还是猪，在这里我要告诉你，右边这个是主函数。啊，因为凸函数这个概念，它来自欧美，来自美国。我们就把它翻译成了凸函数，其实人家美国是吧。呃，在进行文件说明的时候，人家还有一个词叫下凸，然后中国人翻译就把这个下给去掉了。所以说这个。咱看到的这个图函数，机器学习的图函数和咱们实际生活当中的这个汉字的这个概念是吧，稍微有点偏差，所以你加一个下图你就能够知道了。你看你一旦将下空，那很显然就是你的抛物线向上，那很显然它是不是就有最小值呀。
好，那么咱们先来基本概念，知道了是不是啊，这个函数是吧，我们把它叫做损失函数，那这个损失函数如果要是通函数的话。
还有一个好处就是我们，嗯，可以就是可以确定它呢，一定是这个它的极值呢，就是咱们的自由基。
他呢，一定是全局最优解。因为你这个方程是二次开口，它的开口向上，这个时候呢，你看咱们求导，0，导数等于0，是不是就可以求解最优值啊，对不对，所以说呢，这就是为什么我们要了解图函数概念。
另外一个问题就出来了，这个函数咱画出来图，简单的咱能够知道说他是下图，那如果给你一个函数，咱们怎么去判定呀。
对不对，如果他要不是图函数，它有没有这个最小值，有没有最优解呢？
对不对，那你看一下这个图形，看一下这个图片是不是你像这个它就是一个非突函数，看到了这个就是一个非凸函数，那就像连绵不绝的山脉一样，那这个时候呢。你看他们求解的是吧，比如说这个值是吧，它可能就会得到一个局部最优肌，而不是全局的，因为一旦你落到山谷，这个时候呢，你优化你就走不出来了，很可能就走不出来了，你就不能够走到全局的这个最小值。所以如果不是非同函数是吧，可能咱们有一个求解大解出来，它不是最最优的。那么上面呢，是我们平面的，接下来你看咱们也可以看一个立体的，你看立体左边的这个是吧，它就属于是图函数下凸函数是吧，右边这个就属于是非凸的是吧，立体的。来去，那我们如何判定呢？真正的问题了是吧？判断口函数的方式呢？哎，有很多，那么其中一个非常直观的有效的就是一个方法，就是看黑色矩阵是否是半正定。啊，这一个判定当中有两个非常关键的概念，首先是黑色矩阵，还有就是半程定，咱们看一下黑色矩阵啊。是什么？黑色矩阵是由目标函数点在X处的二阶偏导组成的对称矩阵啊，哎，这就是黑色矩阵，那我们先看黑色矩阵，因为我们上面推导咱们用的是最小的乘法推导正规方程是吧？那我们最后呢，已经求得了它的一界偏导数，看是不是就是它。那我们对一阶偏导数继续求导，咱们是不是就可以得到二阶电的500越位，继续对它求导啊，咱们就可以得到下面这个，一旦我们得到了下面这个是吧，它呢就叫做。啊，这个就叫做黑色矩阵，现在你明白什么是黑色矩阵了吧，这个是不是也很简单对吧，有个概念就行了，好，那么得到了这个黑色矩阵之后呢，大家看啊。
这个对咱们的式子来说，就是在导入的基础上，再次对C塔求导，其结果就是XTX，所谓正定。那接下来咱们看后半部分的概念，什么是正定呢？就是XTX，它的特征值全为正数，这个就是正明。
他这是正定的概念，半正定呢，就是XTX这个矩阵相乘是吧，咱们的特征值大于0就可以啊，特征值大于0就可以，这个就是半等性。
啊对，就是半个点，那我们上面的判断依据是黑色矩阵是否为半证点，如果要示范正定，那么它就属于是图函数，如果要不是半生点，比如说你的课程只有负的，对不对，对不对，那这个时候呢，你就不是那个函数。
啊，那么我们所求解的这个XT和X，它是半证定吗？对不对，你看他是半正病吗？显而易见它是半正经，为什么呢，你看。
咱们的黑色矩阵是XT和X相乘对不对？那这里咱们对C塔损失函数求二阶导数的黑色矩阵是XT和X，得到的一定是半正定的，是自己和自己做点儿成。
那么他呢，是自己和自己做顶称，那具体我们再说一下啊，为什么自己和自己做第二成，咱们得到的就是一定是半正定的。
对不对？那为什么一定犯成0，当X为任意大小的视矩阵时啊，再给一个任意的。
XT.
和X矩阵乘法一定是半正定，为什么呢？想要证明它是半正经，咱们可以考虑对于任意非零向要。
证明
和XT相乘，然后在后面再乘以V负就行。
这个呢，就涉及到咱们先行代数当中半正定的概念。
好，那么咱们呢，就让它相乘是吧，乘完之后呢，你看要注意这是一个这个四个矩阵相乘，咱们矩阵虽然不满足交换率，但是它可以结合对不对，那我们怎么结合呢。
前两个集合就是VT和XT进行结合，结合之后啊，这个时候环节。
就是这两个。
然后后面这两个集合。
因为前面是VTXT，那这个时候咱就可以把T提出来啊，提出来之后X提到前面，那就是XV啊，XV×XV就是XV的转置乘以XV的转置，这个时候它们俩进行相乘，咱们得到一个结果啊，那就是因为你是两个相乘嘛，那就是数2÷2X的平方，它一定是大于等于0的。
其中这个数杠数杠XV表示向量XV的范数，什么是范数呢？什么是范数，这个是一个概念是吧，就是你这两个区面相乘，然后来个开始放啊香肠乘完之后呢，来一个。
因此呢，一定是伴正定的，那到这里我相信各位小伙伴接受起来是吧，那就有一定的难度了。
OK, 咱们先来简化一下，你记住就行了，面试的时候你只要能够说出来主函数是什么，你就跟他强调一下，这就是下图。
把咱们机器学习当中的这个最小的乘法啊。那么它呢，就是一个凸函数。因为呢，我们对于它的最小值乘法二次求导，咱们能够得到这儿啊，能够得到这儿。
XT和X相乘，你知道它是半正定的就够了。
啊，当然我们知道数学它的证明和证明和验证是无止境的，是不是啊，我们学习这个是吧，咱们是为了应用啊，站到巨人的肩膀上，这就很好，所以说我们直接拿来用是吧，就可以了啊。
那这里呢，咱们就不再做数学推导证明了，哎，我也证明不了，太难了。
是吧，更高级的是吧，咱也证明不了，一体学习当中往往损失函数都是图函数物一样进行学习呢，就是咱们所说的常规的算法，就是咱们s learn当中的这些算法，那么到深度学习当中呢，算式函数往往是非度函数。
既然找到了姐妹，必是全局最优，那他不是？
最优解也可以，只要咱们的模型开用就行是吧？
机器学习的特点就是不强调模型百分之百正确，只要有价值开用就行，明白吗？那只要有价值开用就行。咱们从北京到深圳，你开奔驰宝马也能到，是不是啊，你开这个普通的汽车是不是也能到，你骑自行车、走路也能到。明白吗？所以说这个机器学习的特点是吧，他不强调模型百分之百正确，只要有价值开用就行。那你得有一个成本的这个考虑是吧，能够就可以。
好，最后呢，我们一起来看一下数据的配，就是这你看这个函数方程能画出来就是一个心角，好，那么呃，我把这个对这个美丽的数学图形呢，送给各位坚持学习的路飞小伙伴们，好，这一小节的内容我们就提录到这儿，那么到此为止呢，咱们正规方程的介绍我们就告一段落了，好，那么下面的课程当中呢，我们会使用正规方程，咱们呢，哎。实战一下是吧，我们使用正规方程来解决一个咱们的线性回归问题啊，使用正规方程来去解决咱们的线性规则问题，也就是说这个时候我们要算法建模了。好，那么呃，大家呢，梳理一下我的第二个大部分正规方程，咱们所讲的知识点，最小的乘法。最小二乘法当中的正规方程，我们使用正规方程对多元一次发生的求解矩阵的转置。求导公式，还有咱们推导正规方程，咱们。如何一步步进行推导的，还有咱们图函数的判定是吧？我们之所以能够对最小2乘法进行求最小值，求导数，定导数等于0去求最小值，原因就是因为咱们的这个最小儿乘法啊，注意啊，咱们的最小的乘法它也叫损失函数，就是那个GC塔。它呢是一个凸函数，所以咱们才可以对它进行求解。
